基于amd-icsa-svm的超短期风电功率组合预测-李燕青.pdf

《基于amd-icsa-svm的超短期风电功率组合预测-李燕青.pdf》由会员分享，可在线阅读，更多相关《基于amd-icsa-svm的超短期风电功率组合预测-李燕青.pdf（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第45卷第14期 电力系统保护与控制 V0145 No142017年7月16日Power System Protection and Control Jul。162017DOI：107667PSPCI61082基于AMDICSASVM的超短期风电功率组合预测李燕青，袁燕舞，郭通(河北省输变电设备安全防御重点实验室(华北电力大学)，河北保定071003)摘要：针对风机出力的随机性、波动性和不确定性，提出了一种基于解析模态分解(AMD)和改进布谷鸟优化支持向量机(ICSASVM)参数的超短期风电功率组合预测方法。首先，利用解析模态分解将风功率序列分解为不同频率范围的分量，减小不同频率范围间的相互影

2、响。然后针对各序列特点，采用改进布谷鸟方法分别寻找各自支持向量机的惩罚因子参数和核函数参数，以提高单个模型的预测精度。最后对预测结果进行叠加和误差分析。仿真算例表明，所提出的方法可以很好地跟踪风电功率的变化，有效地提高风电功率预测精度。关键词：解析模态分解；改进布谷鸟；支持向量机；组合预测Combination ultra-short-term prediction of wind power based on AMD-ICSA-SVMLI Yanqing，YUAN Yanwu，GUO Tong(Hebei Provincial Key Laboratory of Power Transmis

3、sion Equipment Security Defense，North China Electric Power University,Baoding 07 1 003，China)Abstract：A combination ultra-short-term prediction method of wind power based On analytical mode decomposition(AMD)and improved cuckoo search algorithms optimized support vector machines(ICSA-SVM)is proposed

4、 to treatwith the randomness，volatility and uncertainty of wind powerFirstly,the wind power is decomposed into componentswith different frequencies by using AMD to reduce the influence between different frequenciesThen，according to thecharacteristic of each sequence，different penalty parameters and

5、kernel function parameters are found by using ICSA toimprove the forecasting accuracy of single modelFinally,the prediction results are superimposed for error analysisSimulation results show that the proposed strategy call track the change of wind power better and improve the forecastingaccuracy ofw

6、ind power effectivelyKey words：analytical mode decomposition(AMD)；improved cuckoo search algorithms(ICSA)；support vectormachines(SVM)；combination prediction0引言随着经济社会的快速发展，能源需求与日俱增，风能作为一种重要的清洁能源，成为能源结构中必不可少的一部分。但风电固有的随机性、波动性和不确定性却给电力系统带来了诸多挑战，这就意味着风电功率的准确预测将会对风能发展有着重大意义。当前常用的风电功率预测方法包括物理方法、统计学方法和空间相关

7、性方法。物理方法【lJ指通过求解大气运动的动力热力和物理过程方法，预报未来天气的变化。采用数值天气预报(NumericalWeather Prediction。NWP)数据，从“当前”时刻的三维大气要素场(温度、湿度、风)出发，积分算出未来时刻的三维大气要素场，进而进行风电功率预测。统计学方法【2。3】通常使用风电场历史测量数据及周边风电场测量数据构造统计学习模型，进行风电功率预测，目前主要包括持续预测法【4J、时间序列法5】、卡尔曼滤波法【6】和智能方法7】等。空间相关性方法8。9指利用风电场以及与之相近其他地点的风速风向等信息，运用几个地点风速之间的空间相关性，考虑物理影响因素进行风速预测

8、，进而预测风电功率。由于风能具有波动性和特殊的周期性特点，将风能看作不同频率分量叠加的组合预测方法将会成为未来风电功率预测的发展方向。组合预测指针对各模型自身的特点，通过优势互补思想建立组合模型，提高预测精度【l叫11。目前关于风电信号分解的方法有小波分解、经验模态分万方数据一114 电力系统保护与控制解等，文献12】提出了采用小波分解和最小二乘支持向量机的短期风速预测方法，但是小波分解需要事先确定小波基和分解层数，且分解缺乏白适应性。文献13151采用了经验模态分解(Empirical ModeDecomposition，EMD)及其改进的方法对风电信号进行分解和重构，但是EMD方法的可分辨

9、频率范围有限，特别是对于包含密集模态的多分量信号，EMD会出现模态混叠现象。解析模态分解是GendaChen等116。1 7J提出的一种新的信号分解方法，该方法可以从信号中分离出各种频率成分的信号，但前提是需要确定信号里的各个频率成分，进而确定截止频率值进行AMD分解。AMD分解目前大量应用在机械故障诊断18】、桥梁动态响应19】等领域，目前还未应用到电力领域。对信号进行分解以后，选取适当的预测方法至关重要。支持向量机学习方法在解决小样本、非线性和高维数等问题上得到了广泛的应用，具有较好的回归预测能力【20。24】。而核函数参数和惩罚系数的确定将对支持向量机预测模型的优劣产生很大影响，当前文献

10、确定参数的主要方法是交叉验证与网格搜索法，但是寻优速度和精度均不理想。布谷鸟算法(Cuckoo Search，cs)是一种新的元启发式算法，可以不用将所有参数寻历一遍就可以找到参数最优解，从而提高了支持向量机的学习能力【25】。但是，由于标准CS算法寻优路径依赖于随机游走策略，且采用了固定发现概率，将会降低寻优效率和寻优精度。本文提出了一种基于解析模态分解和改进CS算法优化支持向量机的风电功率超短期组合预测模型，该方法首先利用AMD将风功率分解为一系列不同频率的分量，然后针对每组序列自身特点构造不同的支持向量机模型，采用ICSA方法选取最优惩罚因子参数和核函数参数，最后对各个分量进行预测和叠加

11、，以期得到较好的预测效果。1 解析模态分解解析模态分解是由Genda Chen等提出的新的信号分解方法，可以实现对具有紧密间隔频率分量的信号进行分解，并且能够在一定程度上对频率混叠、窄带信号以及信号间歇性波动进行较好的处理，但是需要知道原始信号的频率成分。对于任意由n个信号分量xi(t)(i=l，2，刀)组成的原始信号x(f)如式(1)。z(f)=薯(f) (1)仁l式中，(f)对应的时变频率为伽(f)，则有二分频率纰；(皑，啦+。)(f=1，2，n一1)，可以将信号分为两个信号和，如式(2)。x(O=81(f)+JlO)2SiO)+st(f)=Sn(f)+J一(f)(2)对式(2)进行傅里叶

12、变换，得到式(3)。x(动=s1(动+s1(妫=Jf(妫+Jf(动= 。 pJJ。(妫+J。(动(f)、Si(f)对应的傅里叶变换分别为Si(动、J，(却，且频率范围分别为l叫钝，。I(f)的表达式如式(4)所示。J如)=sin(ft)Hx(t)cos(a)i卅 r4、cos(a4)ft)Hx(t)sin(ff) 一式中：研为Hilbert变换；Si(，)是频率小于皑，的信号；Si(f)是频率大于魄，的信号。AMD分解示意图如图1所示。L L。 q q1人 人 人LO)bpI n， o图1 AMD分解示意图Fig1 Sketch diagram ofAMD method根据有关解析模式分解的文

13、献可证明如下：讯妫乜2 刮倪，纠，J，(动=x(妫一s，(劫=0 J纠魄；(6)【x(a02 I刮=皑，即s，(妫具有低通性质，Si(叻具有高通性质。故可得式(7)。(f)=si(f)一Si-1(f) (7)其中，(f)=0。根据上述AMD分解原理，设计如图2所示的自适应低通滤波器，从而可以分离出频率低于截止频率的低频信号和高于截止频率的高频信号。万方数据李燕青，等 基于AMDICSASVM的超短期风电功率组合预测 115和周期性，其计算量减少为(N2)log，次乘法和Nl092次加法，当值较大时，FFT算法优越眭明显，图3为一个完整的8点FFT运算流程图。通过量 FFT运算可以得到信号的频谱

14、图，根据波形的频谱，就可以确定信号中的频率成分。cos(at)图2基于AMD分解的时频低通滤波器框图Fig2 Block diagram of a timefrequency low passfilter with AMD method2 风电功率信号频谱分析根据上节分析，AMD分析方法可以快速有效地提取出需要信号，但是必须知道原信号的频率成分，故必须对风电功率信号进行频谱分析。对一个非周期性连续时间信号z(f)，其傅里叶变换可以表示为1 巴坝妒去p芦删出 (8)但在实际的控制系统中得到的是连续信号x(0的离散采样值x(nT)。故需利用x(nr)来计算z(f)的频谱。有限长离散信号x(刀)(，

15、z=0，1，_1)的离散傅里叶变换可以表示为x(七)=x(n媚Nh (9)2“式中：k=0，1，-1；=e。-ff。计算过程中需要妒次复数乘法和预静一1)次复数加法，当较大时，计算量将会很大，为此我们采用了快速傅里叶变换(Fast Fourier Transformation，FFT)。将石(甩)分解为偶数与奇数两个序列之和。x(，2)=五(功+而(，2) (10)式中：Xl(n)为偶数序70；x2(n)为奇数序列。长度都为N2，则丝一1 一Nlx(七)=_(刀巩2h+x2(n巩2”12 (11)式中，k=0，1，-1，推导可得式(12)、式(13)。X(k)=Xl(七)+置(尼) (12)X

16、(k+等)=XI(七)一X2(k) (13)式中，k=0，1，N21。FFT利用了既的对称性篡茧孓兰簋二躺黧：Z翠=蓦磷：三茁妻芝鲻篓31 SVM回归理论假设有训练样本集，乃)(f-l，2，)，一R“，YiR，五为输入变量，M为输出变量，i为样本个数。f(x)是经过样本集合训练而建立的回归估计函数，如式(14)所示。厂(工)=缈-西(z)+b (14)式中：O)E R”；xR”；bR；痧(z)为非线性映射函数，其将样本映射到高维特征空间。假设训练样本都能在精度下无误差地用线性函数拟合，添加一个松弛变量毒，附加引入一个惩罚系数C，则寻找国和b的问题转化为式(15)。r 1 lImin西(皑孝)=

17、寺0刮12+c缶 二 扛1 Yt一缈痧(五)一b+参 (15)st国痧()+b+毒l l 毒o引入拉格朗日函数，整理转化为对偶问题，最终求得回归函数如式(16)所示。f厂(x)=(一+遮(工薯)+6 (16)i=1式中：和是拉格朗日因子； K(x薯)=国(工)妒(t)为核函数。本文核函数选用高斯径向基核函数，其表达式如式(17)所示。万方数据116 电力系统保护与控制K(x,y)：eXp(一旺粤) (17)O-式中，cr2即为核函数参数。建立SVM模型的关键在于寻找适当的惩罚因子参数C和核函数参数矿。本文采用了改进CS算法寻找最优参数。32 CS算法及其改进CS算法是一种采用Levy-flig

18、hts的飞行搜索方式，既可以加快局部搜索效率，又可以确保系统不会陷入局部最优解。标准CS算法需做如下假设：(1)每只布谷鸟每次只产一个蛋，随机放入某个鸟巢；(2)存有布谷鸟蛋最好的鸟巢将会保留到下一代；(3)鸟巢数量为确定值n，且布谷鸟蛋被发现的概率为固定值只。假设已知t-f则采用Levy-flights随机游动策略生成新解矗+L，的过程如式(1 8)所示。h=，+掣(矗f-Xk,best)08)best+1i 2，+寸【矗，f JIvl朋式中：最，表示第k代第f个解；ao(X。，-xk嘲)表示步长，用以控制算法搜索的范围，ao=O01，xk愀表示第七代最优解；竺挲为Levy随机搜索路径，Jv

19、l尻，y服从标准正态分布，兄=15，西取值如式(19)所示。痧2怵F(1铷+2)x sin(孚) (19)式中，厂为标准的Gamma函数。根据布谷鸟蛋固定发现概率R丢弃一部分解，同时按照式(20)产生同等数量的新解。+l，=矗，+双xk，一矗，。) (20)式中：y是缩放因子，服从(0，1)区间均匀随机分布：屯，和k。表示第k代的两个随机解。为了进一步提高CS算法的寻优效率和寻优精度，本文从以下两个方面进行改善。1)由于CS算法寻优路径采取随机游走策略，步长大小不定。步长较大时，可以保证搜出全局最优解，但其搜索精度会降低：步长较小时，搜索精度提高，但会降低全局最优搜索能力。为此，我们可以根据适

20、应值厂的不同，自适应动态调整补偿控制向量，使搜索速度和搜索精度同时提高。具体策略如下。(a)设规模为n的群体中第k代第f个个体矗。的适应值为f，鸟巢种群的平均适应值为Z=(Z十五十饥)n，最优个体的适应值是允，最差个体的适应值是o。然后将优于工的鸟巢的适应值求平均得到。将种群分为Zf、rZZ、正Z三组，分别对每组的步长控制向量的各个分量按照如下方法进行更新。(b)将适应值f的鸟巢归为第一组，其所对应的步长控制向量分量更新如式(21)所示。1(21)(c)将适应值r，Z的鸟巢归为第二组，其所对应的步长控制向量分量保持不变。(d)将适应值五，的鸟巢归为第三组，其所对应的步长控制向量分量更新如式(2

21、2)所示。+l，f=ak，fx(1+ (22)2)引入布谷鸟蛋动态发现概率代替固定发现概率，使得算法在搜索后期更多地产生新个体，有效避免产生局部最优解。随着寻优质量的逐步提高，适当增加发现概率只，使得在进化后期越容易产生新的个体，避免算法陷入局部最优解。本文采用正弦递增策略实现只的动态变化，如式(23)所示。t 一1只=(只，一一只,mill)xsin(x告)+只，椭 (23) Al式中：K为算法的最大进化代数；k为当前进化代数；只。一和只曲为只的控制参数。4 风电功率超短期组合预测由于风机出力的随机性和波动性，采用单一的预测方法难以取得较好的结果，本文提出了一种基于AdVIDICSASVM的

22、风电功率超短期组合预测方法。首先对数据进行AMD分解，根据需求产生一系列不同频率尺度的分量；然后针对各分量特点采用改进布谷鸟选取预测模型的惩罚因子参数和核函数参数，分别建立各自合适的SVM预测模型；最后将各分量预测值进行叠加。具体预测步骤如下。1)采用快速傅里叶变换得到分析信号的频谱图，确定截止频率；2)利用AMD方法对原始输出功率进行提取；3)分别对各分量建立S回归预测模型，采用改进布谷鸟寻找最优惩罚因子参数和核函数参数，得到各分量预测值；万方数据李燕青，等 基于AMDICSASVM的超短期风电功率组合预测 11741对各个预测分量进行叠加；5)与实际数据进行误差分析。具体流程图如图4所示。

23、图4 AMD-ICSA-SVM组合预测流程图Fig4 Flowchart ofAMD-ICSASVM combined prediction5 仿真算例以内蒙古某99 MW风电场为例，本文采集了该风电场2014年全年的实际输出功率数据，采样时间间隔为15 min，对采样数据进行快速傅里叶变换，得到如图5所示的幅频特性曲线。图5某99 MW风电场全年风机出力幅频特性曲线Fig5 Curve ofamplitude frequency characteristics ofwindpower in the whole year at a 99 MW wind farm由图5分析，本文将风电场输出功率

24、分为低频出力(010_4Hz)、中频出力(10-410-3Sz)和高频出力(10-3410_3Hz)。4x10-3Hz以上风机出力由于能量太低，本文忽略不计。故可以确定采用AMD分解的截止频率分别为10-4Hz、10-3Hz和410-3Hz。通过AMD分解，可得如图6所示的各分量出力情况。95908580752重 。褂督-2-450 100 150 200 250 300t15 mill图6基于AMD分解的风机出力各分量出力图Fig6 Output diagram ofwind turbine output based onAMD decomposition本文从以上300组数据中选取前275

25、组数据，其中前250组数据作为训练样本，后25组数据作为测试样本，构造SVM预测模型，分别对高、中、低频分量进行建模回归和预测。设鸟巢数为50，最大迭代次数为50，最大发现概率为06，最小发现概率为025，SVM核函数选择为高斯径向基函数，其参数矿搜索范围为10-6106，惩罚因子参数C搜索范围为10-6106。对数据归一化处理后，采用ICSASVM通过Matlab平台仿真进行对比分析，通过仿真得到高、中、低频分量的预测值，各分量预测值及其叠加的最终预测值与实际值的对比如图7所示。万方数据电力系统保护与控制图7各分量预测与实际出力对比图Fig7 Comparison of each compo

26、nent forecast andactual output为了衡量本文方法预测的有效性，本文分别对采用网格搜索法优化SVM参数(Grid Search MethodOptimized Support Vector Machines，GSMSVM)、布谷鸟算法优化SVM参数(Cuckoo Search AlgorithmsOptimized Support Vector Machines，CSASVM)和ICSASVM进行对比分析，并采用均方根误差eRMs。、平均绝对误差eMAE和方差相关系数r对三种分析指标进行评价，其对应公式如式(24)一式(26)所示。eRMSE=持善(or)2(24)A

27、E=寺l玉一毫I (25)主(一酶一耍)i=l (26)式中：x，为功率实际值；未为功率预测值；为实际功率平均值：三为预测功率平均值；为样本数。通过仿真，得到分别采用三种不同方法寻优参数时的风电功率预测对比图和风电功率预测误差对比图，如图8、图9所示。t15min图8采用三种方法寻优时风电功率预测对比图Fig8 Comparison results of wind power prediction using threemethods图9采用三种方法寻优时风电功率预测误差对比图Fig9 Comparison results ofwind power prediction error using

28、three methods三种预测模型预测评价指标和收敛时间对比如表1所示。表1采用三种方法风电功率预测指标对比Table 1 Comparison ofwind power pmdiction indexes usingthree methods由图8、图9和表1可知，采用ICSASVM方法的组合风功率预测模型能够得到更好的预测指标，其。、eMAE和r指标都比其他两种方法更好，通过改进的布谷鸟算法，收敛时间大大减小。虽然GSMSVM比ICSA-S订收敛速度快，但GSMSVM预测效果并不好，ICSASVM预测时间能够满足实际工程需求。6 结论1)针对超短期风电功率预测问题，提出了一种基于解析模

29、态分解和改进布谷鸟优化支持向量机参数的组合预测方法。通过引入解析模态分解，可以万方数据李燕青，等 基于AMDICSASVM的超短期风电功率组合预测 119有效地解决小波分解需要事先确定小波基和分解层 综述阻电力系统自动化，2014，38(14)：126135数的问题和经验模态分解出现模态混叠的问题。 YE LiIl，ZHAO YongningA review on wind power2)本文提出了一种改进的布谷鸟算法，通过引prediction based on spatial correlation approachJ入动态调整步长控制向量和动态发现概率提高算法 Automation of

30、 Electric Power Systems，2014，38(14)：的寻优速度和寻优精度，寻找支持向量机的最优惩 126-135罚因子参数和核函数参数，并将其应用到风电场超 9杨正瓴，杨钊，张玺，等基于季风提高空间相关性预短期风功率预测中。仿真结果表明，ICSASVM比 测的优化延迟时间J电力系统保护与控制，2016，CSAsvM收敛速度大大提高，且能得到很好的预44(15)：33-38泪0柿罩 YANG Zhengling，YANG Zhao，ZHANG Xi，et a1矣妻寺赫 Improving optimal lag time of spatial correlation pred

31、iction爹丐义陬by charactefistics ofmonsoonJPower System Protection1 杨正瓴，冯勇，熊定方，等基于季风特性改进风电功 and Connol，2016，44(15)：3338率预测的研究展望J智能电网，2015，3(1)：1-7 10谷云东，张素杰，冯君淑大用户电力负荷的多模型YANGZhengling，FENG Yong，XIONGDingfang，et a1 模糊综合预测J】电工技术学报，2015，30(23)：Research prospects of improvement in wind power 110-115forecas

32、ting based on characteristics of monsoonsJ GU Yundong，ZHANG Sujie，FENG Junshumulti-modelSmart Grid，2015，3(1)：1-7 fuzzy synthesis forecasting of electric power loads for2JUNG J，BROADWATER R PCurrent status and future larger consumersjJ】Transactions of China Electrotechnicaladvances for wind speed and

33、 power forecastingJ Society,2015，30(23)：110-115Renewable and Sustainable Energy Reviews，2014，31(2)： 11李昆鹏，万健如，朱琳永磁同步电机瞬时功率预测762777 控制J电工技术学报，2015，30(1)：38443 钱政，裴岩，曹利宵，等风电功率预测方法综述JLI Kunpeng，WAN Jianm，ZHU LinPredictive高电压技术，2016，42(4)：1047-1060 instantaneous power control for permanent magnetQIAN Zh

34、eng，PEI Yah,CAO Lixiao，et a1Refiew ofwind synchronous motorsJTransactions of Chinapower forecasting methodJHigh Voltage Engineering， Electrotechnical Society,2015，30(1)：38掣2016，42(4)：10471060 12王晓兰，王明伟基于小波分解和最a,-乘支持向量4 RAJAGoPAI AN S，SANTOSO SWmd power forecasting 机的短期风速预测叨电网技术，2010，34(1)：179184and

35、elror analysis using the autoregressive moving average WANG Xiaolan，WANG MingweiShort-term windmodelingjPower&Energy Society General Meeting speed forecasting based on wavelet decomposition andPES：IEEE，2009：1-61east square support vector machineJPower System5 李卫，席林一种新的风电场风速时间序列建模及超Technology,2010，34

36、(1)：179184短期预测方法【J电网与清洁能源，2015，3l(9)：7882 13叶林，刘鹏基于经验模态分解和支持向量机的短期LI Wei，XI LinA new modeling and ultra-short term 风电功率组合预测模型【J】中国电机工程学报，2011，forecasting method for wind speed time series of wind 31(31)：102108farmJPower System and Clean Energy,2015，3 1(9)： YE Lin,L1U PengCombmed model based on EMDSV

37、M78-82 for short-term wind power predictionjProceedings of6 修春波，任晓，李艳晴，等基于卡尔曼滤波的风速序the CSEE，2011，31(31)：102108列短期预测方法叨电工技术学报，2014，29(2)： 14张翌晖，王贺，胡志坚，等基于集合经验模态分解和253259 改进极限学习机的短期风速组合预测研究叨电力系xIU Chunbo，PEN Xiao，LI Yanqing，ct a1Short-term 统保护与控制，2014，42(10)：29-34prediction method of wind speed series

38、 based on Kalman ZHANG Yihui，WANG He，HU Zhijian，et a1A hybridfiltering fusionJTransactions of China Electrotechnical short-term wind speed forecasting model based on ensembleSociety,20 14，29(2)：253-259 empirical mode decomposition and improved extreme7CHITSAZ H，AMJADY N，ZAREIPOUR HWind power learnin

39、g machineJPower System Protection andforecast using wavelet neural network trained by Control，20 14，42(1 0)：2934improved clonal selection algorithrnJEnergy Conversion 15张娜，王守相，王亚昱基于掩模经验模态分解的风&Management，2015，89(1)：588598 速组合预测模型J中国电力，2014，47(5)：1291358 叶林，赵永宁基于空间相关性的风电功率预测研究 ZHANG Na，WANG Shouxiang，

40、WANG YaminWind万方数据120 电力系统保护与控制speed forecasting modelling by combination of maskingsignal based empirical mode decomposition and GA-BPneural networkJElectric Power,2014，47(5)：129-13516CHEN G WANG ZA signal decomposition theorem withHilbert transform and its application to narrowband timeseries with

41、 closely spaced frequency componentsJMechanical Systems and Signal Processing，2012，28：2582791 7FELDMAN MA signal decomposition or low passfiltering with Hilbert transformJMechanical Systemsand Signal Processing，201l，25(8)：3205-320818时培明，苏翠娇，赵娜，等基于解析模态分解的机械故障诊断方法J】中国机械工程，2016，27(5)：674679SHI Peiming，

42、SU Cuijiao，ZHAO Na,et a1Fault diagnosismethod for rotating machinery based on AMDJ】ChinaMechanical Engineering，201 6，27(5)：674-67919李苗，任伟新，胡异丁，等基于解析模态分解法的桥梁动态应变监测数据温度影响的分离J振动与冲击，2012，31(21)：6-10LI Miao，REN Weixin，HU Yiding，et a1Separatingtemperature effect from dynamic swain measurements ofa bridge

43、based on analydcal mode decomposition methodJJournal ofVibration and Shock,2012，31(21)：6-1020颜晓娟，龚仁喜，张千锋优化遗传算法寻优的SVM在短期风速预测中的应用明电力系统保护与控制，2016，44(9)：38-42YAN Xiaojuan，GoNG Renxi，ZHANG QianfengApplication of optimization SVM based on improvedgenetic algorithm in short-term wind speed predictionJPower

44、 System Protection and Control，2016，“(9)：384221方必武，刘涤尘，王波，等基于小波变换和改进萤火虫算法优化LSSVM的短期风速预澳tlEJ电力系统保护与控制，2016，44(8)：37-43FANG Biwu，LIU Dichen,WANG Bo，et a1Short-termwind speed forecasting based on WD-CFA-LSSVMmodeljPower System Protection and Control，2016，44(8)：374322李霄，王昕，郑益慧，等基于改进最小二乘支持向量机和预测误差校正的短期风电

45、负荷预测叨电力系统保护与控制，2015，43(1 1)：6369LI Xiao，WANG Xin，ZHENG Yihui，et a1Short-termwind load forecasting based Oil improved LSSVM anderror forecasting correctionjPower System Protectionand Control，2015，43(11)：636923孙丙香，高科，姜久春，等基于ANTIS和减法聚类的动力电池放电峰值功率预测J】电工技术学报，2015，30(4)：272-280SUN Bingxiang，GAO Ke，删G Jiuc

46、hun，et a1Research on discharge peak power prediction of batterybased on ANFIS and sublraefion clusteringJTransactionsofChina Eleetmtechnical Society,201 5，30(4)：272-28024路小娟，董海鹰太阳能热发电集热系统终端受限非线性模型预测控制J】热力发电，2015，44(10)：6367LU Xiaojuan,DONG HaiyingPredictive control ofnonlinear model for heat collect

47、ing system with terminallimit in solar thermal power generation systemjThermal Power Generation，2015，44(10)：63-6725RAJABIOUN IL Cuckoo optimization algorithmJAppliedSoft Computing，2011，1l(8)：5508-5518收稿日期t 2016-0715； 修回日期：201608-24作者简介，李燕青(1974一)，男，博士，教授，主要研究方向为先进输变电技术，电力系统分析与控制，新能源发电与智能电网等；Email：hdlyq163corn袁燕舞(1991一)，男，通信作者，硕士研究生，主要研究方向为风电预测，混合储能平抑新能源并网波动。Email：3061576301qqcorn(编辑魏小丽)万方数据